AI-система мониторинга безопасности шахт и карьеров

Горнодобывающие предприятия — второй по смертности сектор после строительства. В подземных шахтах риск фатальных инцидентов в 3 раза выше, чем в карьерах. Типичная проблема: контроль СИЗ в условиях плохого освещения (до 10 люкс), запылённости, мониторинг опасных зон, трекинг персонала (underground personnel tracking), детекция аварийных ситуаций. Автоматизация контроля СИЗ и опасных зон позволяет снизить аварийность на 30–50%. Системы на основе классического CV не справляются: точность детекции касок в темноте падает до 50%. Мы используем современные нейросетевые детекторы YOLO с дообучением на специализированных датасетах, что даёт стабильные 85-95% accuracy даже в тяжёлых условиях.

Мы разрабатываем AI-решения под ключ: от сбора датасета до деплоя на видеосерверах. Наш опыт — более 5 лет в промышленном CV, 30+ проектов для горнодобывающих компаний. Гарантируем compliance rate не ниже 85% на этапе приёмки.

Проблемы, которые решаем

Подземные шахты — экстремальная среда для компьютерного зрения. Низкая освещённость (до 10 люкс), взвесь угольной пыли, высокая влажность. Традиционные детекторы на основе Haar-каскадов или пересчёт по цвету дают 50–60% точности — неприемлемо. Другая сложность — ложные срабатывания на горное оборудование. Ошибки трекинга при пересечении людей с техникой. Без интеграции с SCADA невозможно автоматически заблокировать опасные зоны. Мы реализуем связку OPC-UA / Modbus TCP с задержкой не более 500 мс.

Какие AI-модели мы используем для детекции нарушений?

Базовый стек — YOLOv8/9 с трекингом ByteTrack. Для подземных условий с низкой освещённостью применяем CLAHE-препроцессинг (повышение контрастности в 1.5–2 раза) и опционально тепловизоры LWIR. Наш собственный Mine Safety Dataset содержит 15 000+ аннотированных кадров с 8 классами: person, mining_helmet, headlamp, reflective_jacket, dust_mask, safety_boots, no_helmet, no_headlamp, mining_equipment.

import numpy as np import cv2 from ultralytics import YOLO from dataclasses import dataclass import time from typing import Optional @dataclass class MineWorkerStatus: worker_id: int bbox: list has_helmet: bool has_lamp: bool has_reflective_vest: bool has_mask: bool in_danger_zone: bool proximity_to_machinery: bool compliance: bool class MineMonitoringSystem: """ Система мониторинга безопасности в горнодобывающей отрасли. Учёт специфики: низкое освещение, дым/пыль, ИК-камеры. Mine Safety Dataset (custom): - mining_helmet, lamp_headlamp, reflective_jacket - mining_equipment, person, danger_zone_marker """ MINE_PPE_CLASSES = { 0: 'person', 1: 'mining_helmet', # шахтная каска с фонарём 2: 'headlamp', # фонарь отдельно 3: 'reflective_jacket', # световозвращающий жилет 4: 'dust_mask', 5: 'safety_boots', 6: 'no_helmet', # нарушение 7: 'no_headlamp', # нарушение 8: 'mining_equipment', # комбайн, погрузчик } CRITICAL_ZONES = ['roof_instability', 'gas_presence', 'machinery_working'] def __init__(self, model_path: str, thermal_model_path: Optional[str] = None, danger_zones: Optional[dict] = None, device: str = 'cuda'): self.model = YOLO(model_path) self.thermal_model = YOLO(thermal_model_path) if thermal_model_path else None self.danger_zones = danger_zones or {} self.device = device self._worker_tracks: dict[int, dict] = {} def process_frame(self, frame: np.ndarray, camera_id: str, timestamp: float = None) -> dict: if timestamp is None: timestamp = time.time() # Улучшение для тёмных/пыльных условий enhanced = self._enhance_low_light(frame) results = self.model.track( enhanced, persist=True, conf=0.40, verbose=False, tracker='bytetrack.yaml' ) workers_status = [] violations = [] if results[0].boxes is None: return self._empty_result(camera_id, timestamp) persons = {} ppe_items = {} for box in results[0].boxes: cls_id = int(box.cls.item()) cls_name = self.MINE_PPE_CLASSES.get(cls_id, 'unknown') x1, y1, x2, y2 = map(int, box.xyxy[0]) cx, cy = (x1+x2)//2, (y1+y2)//2 tid = int(box.id.item()) if box.id is not None else -1 if cls_name == 'person': persons[tid] = { 'bbox': [x1,y1,x2,y2], 'center': (cx,cy), 'has_helmet': False, 'has_lamp': False, 'has_vest': False, 'has_mask': False, 'violations': [] } elif cls_name in ('no_helmet', 'no_headlamp'): ppe_items[tid] = { 'type': cls_name, 'center': (cx, cy), 'violation': True } elif cls_name in ('mining_helmet', 'headlamp', 'reflective_jacket', 'dust_mask'): ppe_items[tid] = { 'type': cls_name, 'center': (cx, cy), 'violation': False } # Ассоциация PPE с работниками for item_tid, item_data in ppe_items.items(): nearest = self._find_nearest(item_data['center'], persons) if nearest is None: continue p = persons[nearest] if item_data['violation']: p['violations'].append(item_data['type']) else: t = item_data['type'] if t == 'mining_helmet': p['has_helmet'] = True elif t == 'headlamp': p['has_lamp'] = True elif t == 'reflective_jacket': p['has_vest'] = True elif t == 'dust_mask': p['has_mask'] = True # Оценка каждого работника for pid, pdata in persons.items(): in_danger = self._check_danger_zone(pdata['center']) compliance = (pdata['has_helmet'] and not pdata['violations'] and not in_danger) ws = MineWorkerStatus( worker_id=pid, bbox=pdata['bbox'], has_helmet=pdata['has_helmet'], has_lamp=pdata['has_lamp'], has_reflective_vest=pdata['has_vest'], has_mask=pdata['has_mask'], in_danger_zone=in_danger, proximity_to_machinery=False, compliance=compliance ) workers_status.append(ws) if not compliance or pdata['violations']: violations.append({ 'worker_id': pid, 'bbox': pdata['bbox'], 'issues': pdata['violations'] + (['danger_zone'] if in_danger else []), 'severity': 'critical' if in_danger else 'warning' }) total = len(workers_status) compliant = sum(1 for w in workers_status if w.compliance) return { 'camera_id': camera_id, 'timestamp': timestamp, 'workers': [w.__dict__ for w in workers_status], 'violations': violations, 'compliance_rate_pct': round(compliant/max(total,1)*100, 1), 'critical_alert': any(v['severity']=='critical' for v in violations) } def _enhance_low_light(self, frame: np.ndarray) -> np.ndarray: """Улучшение видимости в тёмных условиях шахты""" lab = cv2.cvtColor(frame, cv2.COLOR_BGR2LAB) clahe = cv2.createCLAHE(clipLimit=4.0, tileGridSize=(8,8)) lab[:,:,0] = clahe.apply(lab[:,:,0]) enhanced = cv2.cvtColor(lab, cv2.COLOR_LAB2BGR) # Небольшое повышение яркости enhanced = cv2.convertScaleAbs(enhanced, alpha=1.2, beta=20) return enhanced def _check_danger_zone(self, center: tuple) -> bool: for zone_id, polygon in self.danger_zones.items(): poly = np.array(polygon, dtype=np.int32) if cv2.pointPolygonTest(poly, (float(center[0]), float(center[1])), False) >= 0: return True return False def _find_nearest(self, center: tuple, persons: dict) -> Optional[int]: min_dist = 150 nearest = None cx, cy = center for pid, p in persons.items(): px, py = p['center'] dist = np.sqrt((cx-px)**2 + (cy-py)**2) if dist < min_dist: min_dist = dist nearest = pid return nearest def _empty_result(self, camera_id: str, timestamp: float) -> dict: return { 'camera_id': camera_id, 'timestamp': timestamp, 'workers': [], 'violations': [], 'compliance_rate_pct': 100.0, 'critical_alert': False } 

Как мы собираем датасет и обучаем модель?

Сбор данных ведётся с камер на объекте в различных условиях: день, ночь, запылённость. Разметка выполняется в LabelStudio экспертами-безопасниками (8 классов). На этапе обучения применяем аугментации: изменение яркости, добавление шума, имитацию пыли (motion blur + Gaussian noise). Используем YOLOv8/9 с предобученными весами на COCO, дообучаем на нашем Mine Safety Dataset (15 000+ кадров). Обучаем на GPU A100 или RTX 4090 в течение 2–3 дней. Финальная модель проходит валидацию на отложенной выборке — target mAP50 0.85+.

Как мы тестируем и гарантируем точность?

Сравниваем детекцию с экспертным видеоанализом. Типичные метрики:

Тепловизор LWIR лучше RGB-камер в условиях пыли и дыма в 2–3 раза по точности детекции. Мы рекомендуем комбинацию RGB+LWIR для подземных участков. Стоимость проекта рассчитывается индивидуально в зависимости от числа камер и зон контроля. Экономия на штрафах и простоях составляет до 40% годовых.

Что входит в работу?

Мы берём на себя полный цикл: аудит текущей системы видеонаблюдения, сбор датасета (разметка с учётом специфики шахты), обучение модели, настройка трекера, интеграция с SCADA и MES, поставка сервера или инференс на существующем оборудовании.

• Документация: ETL-схема потоков, API-документация (REST/RTSP), инструкция по эксплуатации.
• Доступ к веб-дашборду с реальным compliance_rate_pct, тепловой картой опасных зон.
• Обучение операторов (2 дня, онлайн или на объекте).
• Техподдержка 3 месяца после запуска.

Ориентировочные сроки внедрения

Точная оценка — после аудита. Мы выезжаем на объект или анализируем записи с камер. Оценим проект бесплатно — свяжитесь с нами и получите консультацию.

Гарантии и сопровождение

Более 5 лет в промышленном CV, 30+ внедрений, команда из senior AI/ML-инженеров. Наши системы работают на шахтах в Казахстане, России и ЮАР. Даём гарантию compliance rate не ниже 85% на этапе приёмки. По данным National Institute for Occupational Safety and Health, автоматизированный мониторинг СИЗ снижает травматизм на 35–50%. Свяжитесь с нами для бесплатного аудита вашего объекта. Закажите демо-доступ к системе.